Speaker
Description
Das immer anspruchsvollere Anforderungsprofil an Stähle führt zu immer engeren Toleranzfeldern, was mit einer zunehmend genauen und objektiven Gefügecharakterisierung und -Quantifizierung einhergehen muss Die wiederum führt immer öfter zu einem Paradigmenwechsel hin zu einem gefügebasierten Werkstoffentwicklung. . Die zum Teil sehr feinen und komplexen Gefügebestandteile mancher Stähle stellen hohe Anforderungen an eine geeignete Kontrastierung sowie Bildgebung, sodass eine ganzheitliche Gefügecharakterisierung in den Fokus rückt. Dies betrifft insbesondere auch Vergütungsstähle. Gegenwärtig ist die Gefügebeurteilung jedoch noch immer durch ein hohes Maß an Subjektivität geprägt und stark von der Erfahrung des jeweiligen Experten anhängig. Bewertungen sind daher oft nur bedingt miteinander vergleichbar, was eine große Hürde für die Werkstoffentwicklung und die Qualitätskontrolle und Abnahme darstellt.
Maschinelles Lernen (ML) ist an dieser Stelle ein vielversprechender Ansatz, um eine reproduzierbare und objektive Bewertung auf Basis einer Quantifizierung zu erhalten, die einen direkten Vergleich ermöglicht. Eine große Hürde bei der Anwendung von künstlicher Intelligenz (KI) in der Materialwissenschaft und Werkstofftechnik, insbesondere bei der Gefügeanalyse, ist eine aussagekräftige Zuordnung der Grundwahrheit. Mit Hilfe von korrelativer Mikroskopie, bestehend aus lichtmikroskopischen Aufnahmen, hochauflösenden Gefügeaufnahmen mittels Rasterelektronenmikroskopie, sowie kristallographischer EBSD-Daten, die Aufschluss über lokale Missorientierungen geben können, wurde im Rahmen dieser Arbeit ein Datensatz erstellt, der anschließend mit modernen Deep Learning Ansätzen erfolgreich klassifiziert wurde. Dadurch konnten die unterschiedlichen Gefügebestandteile hinsichtlich ihrer feinen Unterschiede der charakteristischen Morphologien erfolgreich und automatisiert voneinander differenziert werden. Zur Auswertung neuer ungesehener Gefügeaufnahmen werden diese mittels wandernden Fensters in kleine Bildausschnitte zerlegt und anschließend mit dem trainierten ML-Modell ausschnittsweise klassifiziert. Darüber wird eine vollständige Segmentierung der gesamten Gefügeaufnahme erreicht.